基于車牌識別的隧道限速監測裝置

侯俊濤，梁譯丹，何源

（攀枝花學院智能制造學院，四川攀枝花，617000）

關鍵字：隧道限速；車牌識別；邊緣檢測；閾值分割

0 引言

隧道是當今公路交通線網的重要組成部分之一，由于其特殊的結構特點，導致隧道路段成為諸多路段中事故發生率最高的一個，而隧道安全問題也是一直以來的熱點問題之一。

目前，國內外學者針對隧道安全展開了諸多討論和研究。程新平[1]提出高速隧道容留監控及預警系統開發應用，通過對隧道限速變道抓拍系統現狀的分析，進行隧道容留監控及預警系統設計，實現系統建設和應用，解決了發生交通事故后，隧道內因為車輛容留，而造成的二次事故的風險。彭成壩[2]提出的基于“暗適應”的隧道入口前可變限速值的確定，闡述了隧道明暗適應機理，黑洞白洞效應，視覺震蕩現象，分析不同亮度折減系數K的情況下，隧道“暗適應”入口前的可變安全限速值，為不同環境條件下，不同隧道的可變限速提供依據，可對不同情況下的隧道，形成合適的方案，保障行車安全，減少了因視覺影響而造成的隧道入口交通事故，減少了隧道入口的交通事故發生率。孫繼洋[3]提出的隧道照明對隧道限速設計影響研究，通過對典型案例的分析，進行限速評價和隧道照明設計的分析，為隧道限速提供充分的，合理的依據。董魯祺[4]提出基于山區隧道的可變限速系統開發與仿真，根據不同的天氣，不同的道路和交通流情況，建立安全速度模型，并進行仿真驗證，基于車路協同，通過無線信號像駕駛員發送安全速度計算結果，從而提醒駕駛員，減少事故發生，提高了山區隧道行車安全。李浩[5]提出高速公路隧道安全限速設置方法及工程方案研究，通過分析高速公路隧道不同條件以及影響因素，結合層次分析法，建立高速公路隧道限速設置模型，提出限速方案，對限速的條件和約束進行合理建議。崔健[6]提出高速公路長隧道入口段可變限速研究，采用宏觀交通流模型，對可變限速系統進行建模，并用遺傳算法對其進行求解，實驗可變速限速情況，進行車速和運行效率的分析，旨在讓車輛以平穩狀態運行，減少車輛運行速度的離散性，以此提高交通安全，提高交通的運行效率。

本文提出一種基于車牌識別的隧道限速監測裝置，首先在隧道出入口各布置一臺相機捕捉進出車輛的車牌圖像，對采集得到的車牌圖像進行車牌識別。并在車輛進出隧道時記錄時間，利用速度平均值與限速值進行比對，最終判斷汽車是否超速。

1 裝置工程流程

限速裝置工作流程如圖1所示，包含車牌識別、記錄進入隧道時間、第二次車牌識別和記錄駛出隧道時間、平均速度計算和超速判定等部分，具體工作流程如下：

圖1 裝置工作流程圖

(1)車牌識別：通過相機捕捉駛入隧道車輛的車牌圖像，對采集得到的車牌圖像進行改進的灰度變換預處理，再利用Prewitt算子對預處理后的圖像進行邊緣檢測，采用otsu閾值分割算法將目標區域從圖像中分割出來，最后進行特征提取和目標識別，從而識別車牌。

(2)記錄駛入隧道時間：將后臺記錄的相機捕捉駛入隧道時車輛車牌圖像的時間記為該車駛入隧道時間。

(3)再次車輛識別：再次利用相機捕捉該車駛出隧道時的車牌圖像，并對車牌通過相同的算法處理。

(4)記錄駛出隧道時間：將后臺記錄的該車駛出隧道時相機捕捉車牌圖像的時間記為駛出隧道時間。

(5)平均速度計算：通過將記錄的車輛駛入、駛出隧道的時間計算出車輛在隧道內部的時間，在用該隧道長度除以車輛在隧道內部的時間求出平均速度。

(6)超速判定：將車輛速度計算結果與國家法案規定的其隧道路段上限值做比較，判定該車在隧道內部是否超速。

2 車牌識別算法

2.1 圖像預處理

通過攝像機捕捉拍照得到的照片通常為RGB圖像，計算機識別有一定困難，因此需要對圖像進行灰度變換。普通的灰度變換中灰度值與個顏色分量權重關系為：

然而普通的灰度變換易受到環境和背景的影響，因此本文提出一種新的灰度變換算法，極大程度上抑制了外界因素對于車牌號碼的識別影響，改進后的灰度變換如式(2)所示。

由于受外界環境的影響，采集的圖像中存在一定的噪聲干擾，因此需要進行去噪處理，以避免檢測出偽邊緣。中值濾波的去噪效果比均值濾波好，因為既有好的去噪效果，又能較好地保護邊緣，不會帶來模糊。中值濾波運算式為：

圖2給出原圖與預處理以后的車牌號碼圖像。

圖2 預處理結果

2.2 Prewitt算子邊緣檢測

Prewitt算子模板具有水平方向和垂直方向，如圖3所示。

圖3 Prewitt 算子模板

水平模板計算梯度公式為：

由垂直模板計算梯度公式為：

各像素的梯度計算公式為：

采用式(4)、(5)和(6)逐一計算圖像中模板中心位置像素的梯度，計算完除邊界處的像素外的所有像素的梯度，尋找梯度值大的區域，梯度值大的區域即為邊緣的位置，表示圖像中該區域灰度變化大，圖像邊界處的像素梯度因不具有實際研究價值因此可以用前一行或前一列的梯度值代替。

2.3 otsu閾值分割

考慮圖像中目標區域與非目標區域的灰度對比差異明顯，因此采用常用的Otsu閾值分割算法對圖像進行分割。Otsu閾值分割算法[7～8]又稱最大類間方差分割算法，算法步驟如下：

(1)統計灰度級中每個像素在整幅圖像中的個數。

(2)計算每個像素在整幅圖像的概率分布。

(3)對灰度級進行遍歷搜索，計算當前灰度值下前景背景類間概率。

(4)通過目標函數計算出類內與類間方差下對應的閾值。

Otsu算法基本原理是利用閾值將圖像分為目標和背景兩個區域，設兩個區域的像素個數比例分別為W0和W1，平均灰度值分別為Q0和Q1，類間方差數值為G，表達式為：

采用遍歷的方法使類間方差數值取得最大，將此時與其相對應的閾值T作為圖像分割的最佳閾值，再對圖像進行二值化處理，其像素值與閾值的函數關系如式(8)所示。

圖像分割結果如圖4所示，可以清晰看見車牌部分的重要信息已經被分割出來，最后對圖像進行特征提取即可識別車牌號碼，達到車牌識別的目的。

圖4 Otsu 閾值分割結果

3 超速判定算法

通過平均速度算法，得到車輛在隧道內部通行的速度，算法如下：

設后臺記錄的第一次車牌識別時間為t1，第二次為t2,隧道長度為L，隧道限速為V0，則車輛在隧道內部通行的速度計算公式為：

受國家法案有關規定，允許電子設備有5%的誤差，以限速60km/h為例，當某車輛車速處于57～63km/h的速度區間時，由于電子設備存在誤差，因此不能直接判定該車輛是否真正超速。在大數據樣本中，通過隧道的車輛數與車輛平均速度的函數關系遵循高斯分布函數，其中心軸所對應的速度值小于限定數值，根據圖5所示高斯分布函數概率密度分布可以得出結論：電子設備限速上限閾值調整為1.05V0時，與實際情況誤差，最小能夠較為準確的對超速期刊進行判定和監測，因此將車輛速度計算結果與1.05V0進行對比判斷即可判定車輛在隧道內是否超速行駛。

圖5 高斯分布密度函數

4 結論

本文通過使用車輛識別算法和平均值算法提出了一種隧道限速監測裝置，對隧道內通行的車輛進行了粗略的速度計算和超速判斷，為隧道限速監測提供了新的解決思路和途徑。另外在車牌識別部分提出了新的圖像灰度變換算法，能夠有效的減少甚至去除背景對于圖像中關鍵信息的干擾，在對于復雜情況下的多背景圖像的重要信息提取具有一定的實用價值。